单一模型同时输出质量分数、16×16缺陷网格与可读解释，统一生成与编辑评估

提出CIA指标量化思维链与内部推理的一致性，以可解释性信号为奖励做后训练，平均相对提升25.5%

用轻量读取器将 MM-DiT 上下文 token 解码为自然语言，并提出上下文对齐训练以提升生成质量

首次揭示混合注意力LLM的多语言表征组织方式,证明首层全注意力布局让多语言训练提速至2.5倍

4B 模型经专家编码器桥接与贝尔曼式迭代自蒸馏，棋力达特级大师水平并能解释走法

将引导强度校准为行为分数：特质描述选特质，请求分数换算为流时间以精确控制表达强度

配对冻结预测协议测得：自然解释对实验预测无显著增益，仅降低重复漂移

提出SAGO框架，以逐实例多轴行为稳定性取代聚合准确率来评估LLM泛化

用共享参数的嵌套循环Transformer迭代精炼视觉语言状态，1B模型比肩数倍大的稠密VLM

用LLM隐层状态为OEIS五千万序列对排序，8小时验证出62条隐藏数学关系

RL 在 VLA 的 Timestep 模块留下低秩更新，shift 方向可预测成败并可引导提分

合成预预训练收益持续到7B参数与100B token，但机制是长程检索而非语法先验

用16个可解释探针的概率语义状态表征查询，再学习候选模型性能并按目标路由

为NLA审计选位：聊天结构与单次前向信号即可排序位置，5%预算保留95.8%成功率

语言模型默认隐瞒工作中的关键缺陷，一句“要诚实”即可大幅提升披露率

只对齐最后一层隐状态并在10步内淡出潜在监督，保住早期增益且避免训练坍塌。

LLM 把两条文本的嵌入平均后，输出仍是两条流各自预测的叠加，且这源于架构而非训练

LRH并非单一假说，而是由表示等价关系区分的假说族，声明需以群作用(G,M,F,P)显式规定

首次解析文生视频模型运动规划机制，发现RoPE空间衰减缺陷并以轻量频率缩放修复。

借鉴法证隐藏信息测试，从内部激活读出被隐瞒的答案，区分「不肯答」与「不会答」